Epsilon Archive for Student Projects

Abstract

Den multivariata variabeln trädslagsfördelning beskriver volymsförhållandet mellan
tall, gran och löv i ett skogsbestånd. Ofta är variabeln skattad med subjektiva metoder
vilket resulterar i två typer av fel, systematiska och slumpmässiga.
Subjektivt värde = Sant värde + systematiskt fel + slumpmässigt fel
De slumpmässiga felen är omöjliga att justera, men de systematiska går att åtgärda
genom kalibrering.
Målet med arbetet har varit att finna lämpliga metoder att kalibrera trädslags­
fördelningen i subjektivt skattade register för att eliminera det systematiska felet.
Kalibreringar har gjorts med fyra olika regressionsmodeller och ett neuralt nätverk.
Resultaten har utvärderats med delvis egenkonstruerade kriterier. Studien är gjord på
sex registermaterial som är 2 -20 år gamla.
Efter utvärderingar valdes direkt logistisk regression för kalibrering av register­
materialen.
När det gäller resonemang kring variabeln trädslagsfördelning är det ofta mer lämpligt
att studera de enskilda trädslagens volymsskattningar än procentandelar.
Tallvolym överskattades i samtliga register och utgör det tydligaste felet. Gran-och
lövvolym underskattas i princip alltid. De systematiska felen i skattningen av tall- och
granandel förklaras ur flera aspekter: icke ajourhållna gallringsingrepp vilka riktat sig
mot tall, psykologiska förklaringar, framskrivningsfel och inventeringstekniska
orsaker.
Underskattningen av löv beror delvis på att registren ofta endast anger
trädslagsfördelningen i tiondelar eller hela tiotals procentenheter. Det gör att löv ofta
felaktigt avrundas till noll. Underskattningen beror sannolikt också på att vid
inventeringstillfället för 10-20 år sedan uppfattades inte lövträden som del av det
bestånd som mättes, utan som underväxt och försummades.

The variable species composition describes the volume relationship between pine,
spruce and broad leaved tree species in a stand. The tree species composition is
generally estimated by subjective inventory methods and can be expressed as:
Subjective value = True value + Systematic error + Random error
As can be detected, there are two types of errors in the expression. The random error
component is impossible to correct but the systematic part can be eliminated by
calibration of the subjectively collected data.
The aim of this study was to determine appropriate methods, which could be used to
remove the systematic error. Four regression models and one neural network have
been tested and evaluated in the process of selecting the most suitable calibration
model. The accuracy of the calibration results, i.e. the predictions, have been
determined using three models estimatingerror deviation.
After evaluation a direct logistic regression model was ehosen and the tree species
composition in six campartment registers differing in age from 2 to 20 years have
been calibrated
Because of the propagation of misjudgment in tree species composition i t is preferred
to stud y the volume estimate of its components instead.
The most evident error in the examined registers was overestimation of pine volume.
The volumes of spruce and broad leaved tree species were generally underestimated.
Not updated silvicultural activities, psychological reasons, incorrect growth functions,
and inventory technical factors are possible explanations of the systematical errors in
the estimates of pine and spruce.
The underestimation of broad leaved tree species is partiall y explained by the fact that
tree species composition is normall y stated as tenths or as even tens of percentage
units. This crude munding has often incorrectly eaused lo
w volumes of broad leaved
tree species to be set to zero. This effect is enhanced by the fact that when the
inventory was conducted some 10 or 20 years ago small broad leaved stems were
probably overlaoked as understorey trees and never entered in the inventory protocol.